python
喵了个咪mr
这个作者很懒,什么都没留下…
展开
-
keras-yolov3可视化
1.输出mAp参考:YoloV3_Keras模型MAP测试2.输出loss、acc曲线修改train函数# -*- coding: utf-8 -*-import numpy as npimport keras.backend as Kfrom keras.layers import Input, Lambdafrom keras.models import Modelfrom keras.callbacks import TensorBoard, ModelCheckpoint, Ea原创 2020-06-22 02:58:04 · 1129 阅读 · 5 评论 -
yolov3-keras相关文章(转载)
1原理目标检测算法之 Yolo 系列目标检测|YOLO原理与实现目标检测yolo v1-v3总结2代码解释yolo3-keras各部分代码详解(超详细)YOLOv3代码分析(Keras+Tensorflow)keras-yolov3代码解读3相关应用基于深度学习的目标跟踪(Yolov3+deepsort)基于YOLOv3和deep_sort的多目标跟踪Github 项目- 基于YOLOV3 和 DeepSort 的实时多人追踪...原创 2020-06-18 18:25:57 · 155 阅读 · 0 评论 -
百度AI Studio 安装tensorflow-gpu1.12.0
1.下载 Anaconda3/Miniconda3 安装脚本wget https://repo.anaconda.com/miniconda/Miniconda3-4.7.12.1-Linux-x86_64.sh2.安装conda3bash Miniconda3-4.7.12.1-Linux-x86_64.sh地址选用:~/work/*conda3#work中的数据不会抹除3.进入conda环境source ~/work/*conda3/bin/activate4.1 安装tensorf原创 2020-06-16 15:55:01 · 758 阅读 · 1 评论 -
神经网络计算过程
1.导入模块,生成模拟数据集import常量定义生成数据集2.前向传播:定义输入、参数和输出x= y_=w1= w2=b= y=3.反向传播:定义损失函数,反向传播方法loss=train_step=4.生成会话,训练STEPS轮with ft.Session() as sess: Init_op=tf.global_variables_initializer() sess.run(init_op) STEPS=3000 for i in range(STE原创 2020-06-15 20:49:41 · 841 阅读 · 0 评论 -
KMeans、均值漂移、DBSCAN
KMeans:欧氏距离,均值漂移:欧氏距离,服从当组样本空间的某种概率规则,不需要定义多少堆DBSCAN:定义半径评估指标:轮廓系数原创 2020-06-10 15:42:15 · 361 阅读 · 0 评论 -
机器学习相关模型和评估指标API
这里写目录标题回归模型模型:评估指标:分类模型模型:评估方式:评估指标:模型(针对分类)选择模型(针对回归)选择补充回归模型模型:线性回归import sklearn.linear_model as lm# 创建模型model = lm.LinearRegression()# 训练模型# 输入为一个二维数组表示的样本矩阵# 输出为每个样本最终的结果model.fit(输入, 输出) # 通过梯度下降法计算模型参数# 预测输出 # 输入array是一个二维数组,每原创 2020-06-09 02:15:08 · 442 阅读 · 0 评论 -
机器学习之支持向量机
支持向量机SVM原理分类完整测试代码原理支持向量机理论内容分类# 构建支持向量机线性模型model = svm.SVC(kernel='linear')model.fit(train_x,train_y)# 构建支持向量机ploy(多项式)模型model = svm.SVC(kernel='poly',degree= 3) #degree为多项式的最高次幂model.fit(train_x,train_y)# 构建支持向量机rbf(径向基核函数)模型# C:正则强度# gamm原创 2020-06-07 22:36:32 · 205 阅读 · 0 评论 -
机器学习之设置模型参数和样本集比例
目录需求所需api举例需求# 由于无法确定随机森林中的各个参数的最佳值,需要使用验证曲线进行选择model = se.RandomForestClassifier(max_depth=6, n_estimators=200, random_state=7)所需apiimport sklearn.model_selection as ms # 交叉验证train_scores, test_scores = ms.validation_curve( model, # 模型原创 2020-06-07 17:45:58 · 995 阅读 · 0 评论 -
(案例)机器学习之决策树分类--随机森林分类器
决策树分类代码思想读取文本数据整理样本空间训练随机森林模型用已训练的模型进行测试完整代码代码思想1.读取文本数据2.整理样本空间,对每一行进行标签编码,输入集与输出集3.训练随机森林模型(交叉验证)4.自定义数据,用已经训练的模型进行测试读取文本数据import numpy as np#读取文本数据并保存data = []with open('../__path__' , 'r') as f for line in f.readlines(): data.append(line[:原创 2020-06-07 16:47:25 · 1094 阅读 · 0 评论 -
机器学习之数据集划分
1.定义由于数据集存在集中性,普通的人为划分可能会造成测试集(test_data)和训练集(train_data)过于集中,因此需要采用某种方法对数据进行随机划分。2.方法import sklearn.model_selection as msms.train_test_split(输入集,输出集,test_size=测试集占比,random_state=随机种子)3.例子import sklearn.model_selection as mstrain_x,test_x,t原创 2020-06-06 23:45:02 · 591 阅读 · 0 评论